Performing Feature Selection Before Removing Outliers To Increase Classfier's Accuracy

PETLIAK, Nataliia, Oleksandra TMENOVA, Matúš NÁMEŠNÝ, Tomáš BONČO a Lubomír POPELÍNSKÝ. Performing Feature Selection Before Removing Outliers To Increase Classfier's Accuracy. Online. In Jaroslav Zendulka, Mária Bieliková, Radek Burget, Zbyněk Křivka. DATA A ZNALOSTI & WIKT 2018, sborník konference. Brno: VUT Brno, 2018, s. 77-82. ISBN 978-80-214-5679-2.

Základní údaje

• Originální název: Performing Feature Selection Before Removing Outliers To Increase Classfier's Accuracy
• Název česky: Výběr atributů a odstranění odlehlých příkladů pro zvýšení správnosti klasifikace
• Autoři: PETLIAK, Nataliia (804 Ukrajina, domácí), Oleksandra TMENOVA (804 Ukrajina, domácí), Matúš NÁMEŠNÝ (703 Slovensko, domácí), Tomáš BONČO (703 Slovensko, domácí) a Lubomír POPELÍNSKÝ (203 Česká republika, domácí).
• Vydání: Brno, DATA A ZNALOSTI & WIKT 2018, sborník konference, od s. 77-82, 6 s. 2018.
• Nakladatel: VUT Brno

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Obor: 10200 1.2 Computer and information sciences
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• Forma vydání: elektronická verze "online"
• Kód RIV: RIV/00216224:14330/18:00106777
• Organizační jednotka: Fakulta informatiky
• ISBN: 978-80-214-5679-2
• Klíčová slova česky: Feature selection; Outlier detection; classification accuracy
• Klíčová slova anglicky: Feature selection; Outlier detection; classification accuracy

Anotace

This work addresses the problem of feature selection for boosting the performance of outlier detectors in the context of supervised classification. Different feature selection and outlier detection methods are applied to four datasets used in the experiment and a comparative analysis between combinations of these methods is reported. We present combinations producing the best accuracy of a classifier and show the optimal number of outliers to be removed.

Anotace česky

This work addresses the problem of feature selection for boosting the performance of outlier detectors in the context of supervised classification. Different feature selection and outlier detection methods are applied to four datasets used in the experiment and a comparative analysis between combinations of these methods is reported. We present combinations producing the best accuracy of a classifier and show the optimal number of outliers to be removed.

Návaznosti

• MUNI/A/0854/2017, interní kód MU: Název: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VII.

Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VII., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty